Статья продолжает серию публикаций научно-исследовательской работы, посвященной тембру голоса. Тембр голоса характеризует личность говорящего, имеет значение при идентификации (медико-криминалистической, криминалистической) личности по голосу и звучащей речи.

Известно [1], что тембр — это субъективная характеристика звукового сигнала, одна из базовых для распознавания звукового источника. Тембр дополняет характеристику звуков по высоте, громкости, локализации и позволяет различать между собой звуки различной природы (например, певческие голоса, музыкальные инструменты). Тембр голоса — это, образно говоря, «сочность», красочность звука, его индивидуальность, продуцируемая речевым аппаратом во время говорения и воспринимаемая слушателем. Иными словами, тембр принимает участие в формировании у слушающего слухового образа его собеседника.

Одним из характерных свойств тембра является то, что он определяется не только основным тоном, но и дополнительными звуками — обертонами [2]. Чем больше обертонов, тем ярче и красочнее звук. Применительно к человеку тембр голоса во многом зависит от особенностей его организма. Большое значение имеют объем, форма трахеи и полости рта, а также плотность смыкания голосовых складок. Значимое влияние на тембр оказывают форма губ и положение языка [3, 4]. Вероятность радикального изменения качества звучания голоса диктора в процессе речепроизводства без применения специальных технических средств невелика. Это является весомым дополнительным аргументом использования объективных характеристик тембра при идентификации (медико-криминалистической, криминалистической) личности диктора.

При инструментальном анализе речевых фонограмм в процессе производства экспертиз с целью идентификации личности говорящего в настоящее время [5—7] исследуют только часть параметров речевого сигнала: частоту основного тона, форманты, длительность пауз, амплитуду сигнала и др. Совокупности инструментально анализируемых акустических параметров речевых сигналов недостаточно для принятия однозначного решения. Именно поэтому дополнительно осуществляют аудитивный и лингвистический виды анализа на основе слухового восприятия звучащей речи и тембра голоса. Последний оценивают на данный момент только в описательных терминах [8].

Результаты научных достижений в области исследования тембра [2] свидетельствуют о том, что тембр как атрибут слухового восприятия [9] обусловлен определенными физическими свойствами речевого сигнала [2]. Эти свойства можно проанализировать инструментальными методами, в частности путем исследования спектральной картины речевого сигнала с помощью специализированного программного обеспечения, которое в современных условиях выполняет роль анализатора спектра.

Решение задачи по установлению значений акустических параметров речевых сигналов, в том числе формирующих слуховое ощущение тембра звука у слушающего, при инструментальном анализе этих сигналов (принимая во внимание их сложную природу) возможно только при исследовании звучащей речи, зафиксированной на фонограммах, полученных в процессе звукозаписи. Успешность решения определяется рядом факторов: репрезентативность выборки дикторов, фонетическая полнота, фонетическая репрезентативность, учет влияния на речевой сигнал (оценка его искажения) эмоционального состояния дикторов, условий и средств звукозаписи в процессе фиксации речевых фонограмм. Имеется несколько способов решения обозначенной задачи. Один из них — использование готовых речевых баз данных (корпусы звучащей русской речи): например, базы речевых фрагментов русского языка ISABASE [10], речевого корпуса русского языка RuSpeech [11], речевого корпуса данных TeCoRus [12], национального корпуса современного русского языка [13], речевого корпуса повседневной русской речи «Один Речевой День» [14], свободных речевых баз данных VoxForge.org [15], проекта «Рассказы о сновидениях и другие корпуса звучащей речи» [16]. Есть непреодолимые ограничения в использовании ряда баз, обусловленные их качеством (несбалансированность, отсутствие унификации в сборе и обработке звукозаписей в VoxForge), репрезентативностью (проект «Рассказы о сновидениях и другие корпуса звучащей речи»), недоступностью (ISABASE, TeCoRus, RuSpeech) или невозможностью использования третьими лицами (ОРД). Следует отметить, что проблемы и трудности в создании корпусов звучащей речи, которые частично отражены в данной статье при описании особенностей составления фонетически представительных текстов, — отдельная и серьезная тема, освещенная во множестве научных публикаций. Принимая во внимание временные (сроки формирования и предварительной обработки речевых фонограмм), организационные (аппаратное сопровождение, необходимость привлечения дополнительных людских ресурсов в качестве информантов), юридические (соблюдение требований Федерального закона РФ от 27 июля 2006 г. № 152-ФЗ «О персональных данных» [17]) и финансовые (реализация темы в рамках выделенного бюджета) ограничения, выбрали оптимальный в сложившейся ситуации способ — получение образцов звучащей речи в рамках специально организованного лабораторного эксперимента. В процессе звукозаписи в одинаковых акустических условиях, с применением одной и той же звукозаписывающей аппаратуры, в едином формате представления цифровых аудио-данных будет фиксироваться речь разных дикторов (совершеннолетних обоих полов), читающих в естественной для каждого из них манере специально составленный фонетически представительный текст (ФПТ). В заданных условиях будут нивелироваться факторы, имеющие место в ситуациях реального речевого общения, которые искажают речевой сигнал: различное эмоциональное состояние говорящих, неодинаковое фонетическое и семантическое качество речи, шумы акустического окружения и др.

Бесспорно, что при идентификации личности говорящих по фонограммам реальных разговоров необходима оценка инвариантности акустических параметров тембра. Анализ этой характеристики голоса в условиях естественного речевого общения будет осуществлен на следующем этапе работы, в исследованиях, которые будут проведены после инструментального определения индивидуальной различимости акустических свойств тембра по экспериментальным монологическим речевым звукозаписям, на которых зафиксировано чтение вслух дикторами предназначенного для этих целей ФПТ.

Каковы принципы построения такого ФПТ? По данным Г.С. Рамишвили [18], при оценке эффективности фонем¹ в условиях их изолированного произнесения наибольшая аудитивная узнаваемость голоса диктора отмечена у звонких звуков, среди которых выделялись гласные фонемы (за исключением звука «у»), т. е. периодические звуковые сигналы. В то же время изолированно произнесенные фонемы «несут меньше информации об индивидууме», чем слоги. Узнаваемость говорящих возрастает при произнесении комбинации слогов и еще больше при произнесении коротких фраз. Из этого следует, что оптимальным вариантом решения задачи определения индивидуальной различимости акустических свойств тембра будет инструментальное исследование определенных параметров по гласным звукам, находящимся в сильной позиции (в ударном слоге) в слитной речи, зафиксированной на фонограммах при прочтении указанными дикторами ФПТ. Это среди прочего объясняется и тем, что спектральная картина этих звуков позволяет провести анализ гармонических составляющих речевого сигнала, совокупность которых и должна определять индивидуальность звучания тембра голоса конкретного диктора. Принимая во внимание явления взаимодействия звуков (в первую очередь аккомодацию гласных согласным²), имеющие место в потоке речи (слитная речь), необходимо учитывать фонетическое окружение подлежащих исследованию гласных звуков, поскольку предшествующий согласный оказывает на гласный большее влияние, чем последующий [19—21].

Таким образом, результативность предстоящих исследований тембра голоса зависит от полноты формируемой фонетически представительной речевой базы данных, которая должна характеризоваться следующими параметрами:

а) представительность (качественная составляющая);

б) количественный состав;

в) естественность функционирования речевого аппарата (РА) в процессе озвучивания фонем, содержащихся в ФПТ.

В общем случае под фонетически представительным (репрезентативным) понимается такой текстовый материал, в котором частотное распределение фонетических единиц (фонемы, аллофоны³, слоги) соответствует общеязыковому распределению, которое получается из статистического анализа опорного текстового корпуса. В задачах, где исследуется региональная вариабельность речевых характеристик, в качестве добавочного критерия ФПТ должно рассматриваться наличие таких фонетических позиций и контекстов, которые способствуют проявлению региональных речевых особенностей говорящего.

Интересно отметить, что небольшие ФПТ, позволяющие оценить полноту покрытия системой фонетических единиц исходного, или целевого, языка, могут быть использованы не только в рассматриваемой задаче идентификации, но и применяться для оценки и сравнения систем автоматического синтеза и распознавания речи. В последнем случае с помощью подобных ФПТ удается не только успешно выявлять возможные недостатки работы таких систем, но и выработать объективные критерии для оценки их качества. Кроме того, на таких текстах удобно проводить быструю подстройку подобных систем под нового диктора.

Фонетическая представительность, подобно фонетической сбалансированности, естественным образом предполагает присутствие в тексте всех фонем установочного (в данном случае русского) языка в их основном позиционном распределении. Фонетически сбалансированные тексты и ФПТ традиционно используются в качестве материала для изучения фонетических характеристик звучащей речи: «Был тихий вечер…», разработанный д-м филол. наук Л.В. Бондарко и канд. филол. наук С.Б. Степановой [22]; «В петле неудач», составленный д-м филол. наук Р.К. Потаповой [23]; знаменитый текст «Антоныч» выдающегося русского лингвиста, д-ра филол. наук М.В. Панова (цит. по [24]); диалог «Что вы делали на последнем занятии…» д-ра филол. наук Н.Д. Светозаровой (цит. по [24]). Преимущество использования ФПТ состоит прежде всего в их компактности наряду с информационной наполненностью [25]. С одной стороны, такие тексты обычно невелики по объему, а с другой — отражают фонетическое многообразие языковой системы не хуже произвольно взятых текстовых массивов значительной протяженности. Это достигается путем кропотливой работы по конструированию текста: наполнением словами, содержащими требуемые фонетические единицы, а также сокращение его объема путем удаления элементов с низкой информативностью. В результате получается удобный для прочтения материал (обычно не более 600 слов) [25], позволяющий в достаточной для успешной идентификации личности мере исследовать характер реализаций и внутридикторской изменчивости значимых фонетических характеристик данного диктора. Именно таким образом были сконструированы хорошо известные ФПТ, приведенные ранее. Один из них — «Был тихий серый вечер…» лег в основу материала для Фонетического фонда русского языка [23].

Слог традиционно считается минимальной произносительной единицей. Именно потому оценку встречаемости слогов можно взять за основу в формировании текстового материала [26]. На частоту встречаемости и состав выделяемых слогов оказывает влияние ряд факторов, в частности характер опорного текстового материала (на его основе получены показатели частотности слогов), используемая система транскрипции текста и степень ее подробности, а также принятая стратегия слогоделения. Приведенное в работах В.М. Елкиной и Л.С. Юдиной [27, 28] и использованное впоследствии при составлении текста «Был тихий серый вечер» частотное распределение слогов получено на текстах радиотехнической тематики с применением теории деления на открытые слоги, предложенной Л.В. Бондарко [29]. Следует, однако, подчеркнуть, что в классификации В.М. Елкиной и Л.С. Юдиной [27, 28] не различаются предударные и заударные слоги (для некоторых гласных фонем также ударные и безударные варианты), что приводит к серьезным упрощениям в оценках частотности и сочетаемости аллофонов русских фонем. Все это мы учитывали при разработке ФПТ, предназначенного (в первую очередь) для исследования тембральных характеристик голосов дикторов в слитной речи и использования его для реализации обозначенной цели — оценки гармонической структуры речевого сигнала.

Известно, что речевой поток есть не что иное, как «непрерывная линейная последовательность звучаний, расчленяемая слушающим, воспринимающим ее как организованную последовательность значимых единиц языка» [30]. Иными словами, подлежащие исследованию фонемы реализуются в звуках не изолированно, а в составе слогов, фонетических слов, синтагм, т. е. цельных речевых синтаксических и смысловых единиц: слов или групп слов, словосочетаний — и фраз. Естественность функционирования РА может быть обеспечена озвучиванием предложений, содержащих слова, в которых должен присутствовать один из требуемых слогов, т. е. сочетанием согласных и стоящих после них анализируемых гласных, находящихся в фонетически сильных позициях.

Представительный качественный состав ФПТ для реализации поставленной нами задачи должен включать те слова, в которых имеется один из всех возможных для произнесения в русском языке слогов, в котором гласная находится в ударном положении. Общее количество таких минимальных фонетико-фонологических единиц 130 согласно правилам орфоэпии, т. е. совокупности правил звучащей речи, закрепленных в литературном произношении (исключены следующие сочетания согласных и последующих гласных: ЖЕ, ЖИ, ЦЕ, ЦИ, ЧЕ, ЧЫ, ШЕ, ШИ, ЩЫ, ЩЕ).

Количественный состав определяет достоверность значений анализируемых параметров речевых сигналов. Эта достоверность должна обеспечиваться определенным количеством реализаций (произнесений) одинаковых акустических событий [31] (так называемые артикуляторные жесты) каждым диктором. В нашем случае однократно зачитываемый текст должен обеспечить пятикратное произнесение каждого из 130 слогов (всего произнесений 650).

В связи с обозначенными требованиями к формируемому тексту выполнили анализ двух наиболее распространенных ФПТ.

1. Текст «Был тихий серый вечер». Общее количество слов 432, общее количество слогов 981. Количество пригодных для исследований слогов (слова, в состав которых они входят) 302 (69,9% от общего числа слов в тексте и 30,8% от общего числа слогов в тексте), что составляет (согласно изложенным ранее положениям) 46,5% от необходимого количества слогов, подлежащих исследованию. Качественный состав текста неполный, представлен меньше чем на 2/3 (65,4%): из 130 необходимых для исследования слогов в словах встречается только 85. В основном это фрикативные («в», «ж», «с»), вибранты, смычно-проходные («м», «н», «л») и смычно-взрывные («д», «т», «к», «п») согласные в сочетании с гласными «а», «е», «и». Большая часть (74,1%) отобранных для исследования слогов встречается реже, чем в пяти словах. Некоторые слоги (18,8% качественного состава) встречаются чаще, чем в пяти словах. Если учитывать только подлежащие исследованию слоги, которые встречаются не чаще, чем в пяти словах, то их общее количество становится меньше — 155, что составляет 23,8% от необходимого количества.

2. Текст «В петле неудач». Общее количество слов 202, общее количество слогов 518. Общее количество пригодных для исследований слов (слогов) 159 (78,7% от общего числа слов в тексте и 30,7% от общего числа слогов в тексте), что составляет 24,5% от необходимого количества. Качественный состав текста неполный, представлен ½ (53,8%): из 130 необходимых для исследования слогов в словах встречается 70. Сочетание согласных и гласных в целом напоминает состав слогов в предыдущем тексте. Подавляющая часть (92,9%) пригодных для исследования слогов встречается реже, чем в пяти словах. Три слога встречаются чаще, чем в пяти словах. Если учитывать только подлежащие исследованию слоги, которые встречаются реже, чем в пяти словах, то их общее количество уменьшается до 139, что составляет 21,4% от необходимого для исследований количества.

При сочетании обоих текстов (общее количество слов 634, общее количество слогов 1499), учитывая необходимость в определенной численности реализаций, количество слогов не достигает требуемого уровня (возрастает до 294, т. е. 45,2% от требуемого количества), качественный состав расширяется незначительно — из 130 возможных слогов представлено 96 (73,8% от требуемого состава). Качественный состав слогов обоих текстов по сочетанию согласных и гласных в них неполный: отсутствуют аффрикаты («ч» и «ц»), фрикативные («ф», «ш», «щ») и смычно-взрывные («б», «п», «г», «к») согласные в сочетании с гласными «э», «у», «ы». Оба текста решено включить в состав формируемого ФПТ в качестве составных частей.

В связи с изложенными требованиями к ФПТ, предназначенному для получения образцов монологической речи дикторов с целью последующего инструментального исследования акустических параметров тембральных характеристик голосов дикторов, возникла необходимость дополнить имеющийся фонетически представительный материал текстом, содержащим недостающие слова/слоги. В процессе работы над составлением текста пришлось учитывать временные ограничения и определенные лингвистические требования.

С одной стороны, для воспроизведения диктором его обычной речевой манеры в процессе чтения, а также для сохранения естественности речи при артикуляции мало-употребительных слов старались использовать слова в составе предложений, избегая по возможности одиночных слов, неоднократное последовательное (по сути монотонное) произнесение которых вызывает «усталость» РА и сказывается на тембре голоса (например, появляются осиплость, хрипота). С другой стороны, при составлении текста учитывали временные ограничения: старались не увеличивать длительность нагрузки на РА при чтении монологического текста, поскольку зачитывание отобранного лексического материала уже занимало в среднем 5—6 мин.

Первоначально в качестве основы решили использовать имеющиеся (готовые) связные тексты (например, «Антоныч»), а также художественные тексты (или их фрагменты): например, «Мария и Мэри» Б.С. Житкова [32], «Призвание» А.Т. Аверченко [33], «Плохая ветка» М.М. Зощенко [34]. Проведенный анализ этих материалов дал результаты, близкие к тем, что были получены при исследовании отобранных и проанализированных ФПТ. При большом объеме слов достигнуть требуемых параметров не удавалось. Кроме того, время чтения таких текстов занимало больше 10 мин, что приводило к усталости РА говорящего (диктора), а это в свою очередь влияло на тембральные характеристики голоса.

В связи с этим приняли решение дополнить отобранные тексты («Был тихий серый вечер» и «В петле неудач») предложениями и словосочетаниями, состоящими из слов, включающих требуемые слоги, используя в качестве поиска и отбора орфографические словари и учебно-методические пособия по логопедии, доступные в Интернете [35—39].

В конечном счете с корректировкой численности слогов первоначальных лексических материалов составили дополнительную часть ФПТ. Она включает 674 слова (1435 слогов), из которых для исследований можно отобрать 383 слова (56,8% из общего числа слов в тексте и 26,7% от общего числа слогов в тексте). В этих словах, обеспечивающих необходимую численность требуемых реализаций, присутствуют недостающие слоги. Время чтения дополнительной части текста занимает в среднем 5—6 мин, что должно быть приемлемым с точки зрения нагрузки на периферический отдел РА диктора.

Приводим составленную дополнительную часть ФПТ:

«Бабушка пришла в банк. Бабушка Гаянэ балует внуков, купив им лыжи. От гула у Агаты головная боль. Бугай Билл из Нэшвилла вел свой бизнес — он любил играть на бирже. Из кузова в кузов шла перегрузка арбузов. В грозу в грязи от груза арбузов развалился кузов. Бетти на опушке, окруженной хвощом, ела сыр, зефир и сушки. ГИБДД. МЧС. НИУ ВШЭ. ТЭЦ. ГЭС. ЛЭП. НЭП. ГУМ. ЖКО. ГКП. ОД. ОГП. МПК. ЦПУ. ОЗК. БЧ. БЧ-5. КБЧ-4. ПМТО. Как зовут? Зовут Зовуткой. Громкие звуки и стук доносились со стороны хайвея. Венди из Делавэра вырастила морковь сорта Шантане, кабачок и тыкву. Делавэр — штат США. Бабка-угадка, отгадай загадку. Гена подал душистую дыню. Евгений изучает герб города Генуи. Гиви поднимал гирю. Трепетный гимн любви раздался из уст акына. Гымза — сорт винограда. До недавнего времени гымза была основным сортом винограда, выращиваемого в Болгарии. Гымза является исключительно винным сортом. Красные вина из гымзы называют гымзовыми винами. Мистеры Блэк и Лэнг из фирмы в Блэкпуле не испытывали чувства вины за то, что не посетили представление в стиле сингэку. В Горной Шории хорошо знакомы с ульгэр. Доктора надо ждать дома. Честно говоря, долгий дождь всем надоел. Хмурый дылда Дэн из Мериленда выменял нэцкэ. Как дымный столп светлеет в вышине! Как тень внизу скользит неуловима! «Вот наша жизнь, — промолвила ты мне, — Не светлый дым, блестящий при луне, А эта тень, бегущая от дыма…». Трофобласт также называют трофэктодермой. У обжоры Джо был жуткий жор. Беззубый жулик Джон жутко жульничает. Благодаря хорошо бегущим лыжам и высокому темпу он был уже возле коттеджа. Рецепт царской пиццы «Герцог Лжецкий» из коллекции рецептов доцента Цыпкина: тридцать яиц; целая луковица; кострец курицы, цыпленка или цесарки; по унции корицы, перца, горчицы; цедра цитрусовых; цикорий целиком; целлофан для облицовки; гусятница. Зебра азбуку учила, буквы зебра позабыла. Крыжовник из Удмуртии был зелен. ЗИЛ зеленый папу злил, заводился плохо ЗИЛ. У Кузи кузина — Кузинина Зина. Зоя отложила шест и стала гладить козу. Зоя поставила тубус и пакет с кексом, килькой, киви и бутылкой молока на пол, повесила зонт и бекешу, сняла кеды. У козы-дерезы по бокам висят тазы. Глаз зеленый у козы, а еще у стрекозы. З — буква в алфавите. Зэки безэмоционально отрицали дзэн. Акын от всей души произнес: «Кыш! Кыш! Кыш!». Мышка Кэт мыла мылом мордочку фыркающему коту. Милая Кэти с прической гофре надела пурпурную фуфайку. Миша пишет открытое письмо. Пухлый мэр вместе с Мэри, мудрым мэтром Буке и собакой Лесси сели в кеб. Для консоме нужно взбить яйцо. Рыжий пахарь плугом пашет пашню. Черныш мчался по пыльному проселку к фабрике. Сын пригладил пышные усы. Друг Фабиана написал рассказ-фэнтези. Маруся ест вареную кукурузу. Брехун на шхуне перевозил пахучий тархун из Сухуми. Хек и форель — рыбы. В Фэрмонте кюре приготовил в духовке рагу и пюре. Щуплый Саня в кимоно гулял в лесу. Тугодум Сид в Лимасоле согласился приготовить в духовке суп. Танцор Сэм из США сочинил эссе. Шел Шишига по шоссе, шел шурша штанами. Шаг шагнет, шепнет: «Ошибка», шевельнет ушами. Фая сняла лазурный шифоновый шарф и посмотрела на часы. Чуфырь! Чуфырь! Не сробей, богатырь! Пышная хамка, запудрив мне мозги, захапала буханку и выгнала хаски из хаты. Чопорный швейцар Федя носит шляпы из фетра. Напыщенный финн в мохеровом шарфе купил херес в Хельсинки. Двухэтажный особняк с фикусами не на Фиджи, а в Хырове. Расфуфыренный функционер в галифе зафыркал, когда чудно профукал фунт стерлингов. Шорник подошел к шалашу, расположенному по фэн-шуй. Хитрый сахиб в бахилах сидел в хижине и по схеме читал архивы. По сути, на пароходе было холодно. Хыбиньский и Хыждеу — представители творческой профессии. Хынчешты — город в Молдавии, центр Хынчештского района. Мохэ не расположен на берегах Хуанхэ. Хэллоуин не празднуют в Мохэ. Лицом к лицу лица не увидать. Фогель фон Фогельштейн, опасаясь конфуза, отвез отцу коробку со швейцарскими леденцами. Наткнувшись на сучок, жучок упал на бочок. Пишу шутки для Дашутки и Мишутки. Вообще Кощей угощал щедро. Щи из щавеля. Француженки эффектно выщипывают брови щипчиками. Овощи тащи — будут щи. Чтобы овцы не забрели в чащобу, Джо стал их отпугивать хлыщом и холщовым плащом. Грущу, но не пищу. Налицо — щука лещу не товарищ».

Таким образом, для реализации предстоящих инструментальных исследований акустических параметров тембра голоса составлен ФПТ, включающий три отдельных текста (части): «Был тихий серый вечер», «В петле неудач» и дополнительный, составленный самостоятельно. Полученный ФПТ: общее количество слов 1308, общее количество слогов 2934; количество слогов, пригодных и отобранных для исследований, 650; каждый из 130 подлежащих исследованию слогов входит в состав как минимум пяти слов. Зачитывание диктором сформированного ФПТ позволит получить речевую базу данных, отвечающую требованиям предстоящих инструментальных исследований. Принимая во внимание принципы, взятые за основу при составлении ФПТ, он (текст) может быть использован для получения образцов голоса и звучащей речи в процессе проведения идентификационных исследований при производстве криминалистических экспертиз звукозаписей (судебно-фонографические, судебно-фоноскопические экспертизы).

Авторы заявляют об отсутствии конфликта интересов.

The authors declare no conflicts of interest.